論文の概要: Cross-Sensor Adversarial Domain Adaptation of Landsat-8 and Proba-V
images for Cloud Detection
- arxiv url: http://arxiv.org/abs/2006.05923v1
- Date: Wed, 10 Jun 2020 16:16:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 06:26:46.988547
- Title: Cross-Sensor Adversarial Domain Adaptation of Landsat-8 and Proba-V
images for Cloud Detection
- Title（参考訳）: 雲検出のためのLandsat-8とProba-V画像のクロスセンサ対応ドメイン適応
- Authors: Gonzalo Mateo-Garc\'ia, Valero Laparra, Dan L\'opez-Puigdollers, Luis
G\'omez-Chova
- Abstract要約: 同様の特徴を持つ光学センサーを搭載した地球観測衛星の数は、常に増え続けている。
抽出された放射能の差は精度を著しく低下させ、センサー間の知識と情報共有を損なう。
本稿では,2つの衛星センサ間の画像の統計的差異を低減し,転送学習モデルの性能を向上させるための領域適応を提案する。
- 参考スコア（独自算出の注目度）: 1.5828697880068703
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The number of Earth observation satellites carrying optical sensors with
similar characteristics is constantly growing. Despite their similarities and
the potential synergies among them, derived satellite products are often
developed for each sensor independently. Differences in retrieved radiances
lead to significant drops in accuracy, which hampers knowledge and information
sharing across sensors. This is particularly harmful for machine learning
algorithms, since gathering new ground truth data to train models for each
sensor is costly and requires experienced manpower. In this work, we propose a
domain adaptation transformation to reduce the statistical differences between
images of two satellite sensors in order to boost the performance of transfer
learning models. The proposed methodology is based on the Cycle Consistent
Generative Adversarial Domain Adaptation (CyCADA) framework that trains the
transformation model in an unpaired manner. In particular, Landsat-8 and
Proba-V satellites, which present different but compatible spatio-spectral
characteristics, are used to illustrate the method. The obtained transformation
significantly reduces differences between the image datasets while preserving
the spatial and spectral information of adapted images, which is hence useful
for any general purpose cross-sensor application. In addition, the training of
the proposed adversarial domain adaptation model can be modified to improve the
performance in a specific remote sensing application, such as cloud detection,
by including a dedicated term in the cost function. Results show that, when the
proposed transformation is applied, cloud detection models trained in Landsat-8
data increase cloud detection accuracy in Proba-V.
- Abstract（参考訳）: 同様の特性を持つ光学センサーを搭載した地球観測衛星の数は絶えず増加している。
その類似性や潜在的な相乗効果にもかかわらず、導出された衛星製品は個々のセンサーに対して独立して開発されることが多い。
抽出された放射能の差は精度を著しく低下させ、センサー間の知識と情報共有を損なう。
これは機械学習アルゴリズムにとって特に有害であり、各センサーのモデルをトレーニングするために新しい真実データを集めるのはコストがかかり、経験豊富な人力を必要とする。
本研究では、転送学習モデルの性能を高めるために、2つの衛星センサの画像間の統計的差異を低減するための領域適応変換を提案する。
提案手法は,変換モデルを非ペアで学習するcycada(cycle consistent generative adversarial domain adaptation)フレームワークに基づいている。
特にランドサット-8とproba-vの衛星は、異なるが互換性のあるスペクトル特性を示し、この方法を説明するために用いられる。
得られた変換は、適応された画像の空間的およびスペクトル的情報を保存しながら、画像データセット間の差を著しく低減するので、汎用的なクロスセンサー応用に有用である。
さらに,クラウド検出など特定のリモートセンシングアプリケーションの性能向上のために,コスト関数に専用の用語を含めることで,提案した対向領域適応モデルのトレーニングを改良することができる。
その結果,ランドサット8データを用いて訓練したクラウド検出モデルは,proba-vにおけるクラウド検出精度を向上させることがわかった。
関連論文リスト
- MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。
そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T13:32:59Z) - Adaptive Domain Learning for Cross-domain Image Denoising [57.4030317607274]
本稿では,クロスドメイン画像認識のための適応型ドメイン学習手法を提案する。
私たちは、異なるセンサー(ソースドメイン)からの既存のデータに加えて、新しいセンサー(ターゲットドメイン)からの少量のデータを使用します。
ADLトレーニングスキームは、ターゲットドメインのモデルを微調整するのに有害なソースドメイン内のデータを自動的に削除する。
また,センサ固有の情報(センサタイプとISO)を取り入れ,画像認識のための入力データを理解するための変調モジュールも導入した。
論文 参考訳（メタデータ） (2024-11-03T08:08:26Z) - BenchCloudVision: A Benchmark Analysis of Deep Learning Approaches for
Cloud Detection and Segmentation in Remote Sensing Imagery [0.0]
本稿では,雲の識別に応用した7つの最先端セマンティックセマンティックセマンティクスと検出アルゴリズムについて検討する。
モデルの適応性を高めるために、トレーニング中に使用される画像の種類とスペクトル帯域の量を含む重要な要素を解析する。
研究は、少数のスペクトルバンドだけでクラウドセグメンテーションを実行できる機械学習アルゴリズムを作成しようとしている。
論文 参考訳（メタデータ） (2024-02-21T16:32:43Z) - Augmenting Deep Learning Adaptation for Wearable Sensor Data through
Combined Temporal-Frequency Image Encoding [4.458210211781739]
本稿では、時間領域情報と周波数領域情報をシームレスに統合した、新しい修正繰り返しプロットベースの画像表現を提案する。
加速度センサを用いた活動認識データと事前訓練されたResNetモデルを用いて提案手法の評価を行い,既存の手法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2023-07-03T09:29:27Z) - Energy-Based Models for Cross-Modal Localization using Convolutional
Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。
本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。
我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文 参考訳（メタデータ） (2023-06-06T21:27:08Z) - Semantically-consistent Landsat 8 image to Sentinel-2 image translation
for alpine areas [0.0]
本論文では,ランドサット8とセンチネル2のセンサ差を狭めるため,HRSemI2Iモデルを用いてスタイル伝達によるドメイン適応実験を行った。
HRSemI2Iモデルは、6バンド画像で動作するように調整され、平均値とクラス毎のメトリクスの交差対一性能が大幅に向上した。
第2のコントリビューションは、NALCMS 2015とCORINEの2つのラベルスキーム間の異なる一般化スキームを提供することである。
論文 参考訳（メタデータ） (2022-12-22T22:07:28Z) - dual unet:a novel siamese network for change detection with cascade
differential fusion [4.651756476458979]
本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。
従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。
実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-12T14:24:09Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z) - Deep Phase Correlation for End-to-End Heterogeneous Sensor Measurements
Matching [12.93459392278491]
不均一なセンサ計測に適合するエンド・ツー・エンドのディープ位相相関ネットワーク(DPCN)を提案する。
主なコンポーネントは、学習可能な特徴抽出器にポーズエラーをバックプロパゲートする、微分可能な相関ベースの推定器である。
解釈可能なモデリングにより、ネットワークは軽量化され、より良い一般化が期待できる。
論文 参考訳（メタデータ） (2020-08-21T13:42:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。